微软研究院发布 Quine，一个面向生物学复杂性的 AI 研究系统，由生物世界模型和连接模型、科学工具、文献与实验的交互式 harness 组成。该系统与 Broad Institute 合作用于胰腺导管腺癌研究，预测并优先排序数千种化合物，从缩小搜索空间到选出候选化合物仅用一个周末，湿实验验证中排名最高的化合物产生了最大的预期细胞状态转变。
推荐理由：微软研究院公开 Quine 的多模态生物世界模型与实验闭环，读者可了解 AI 参与药物发现的具体流程与验证结果。
HPE 提出，当 AI 从试验走向生产、形成客服与 IT 等常驻智能体工作负载后，按 token 逐次消费的模式会让 AI 支出变成难以预测的月度变动成本。企业需按自身工作负载测算"自持容量的盈亏平衡点"，判断持续用量是否足以支撑自建容量。HPE 引用 Deloitte 2026 企业 AI 报告称，2025 年员工 AI 使用率上升 5%，至少 40% AI 项目投产的企业占比预计半年内翻倍。
Peak XV Partners 将旗下种子投资平台 Surge 的单笔投资上限从 300 万美元提高到 500 万美元，并公布 Surge 12 批次的 18 家初创公司。该批次覆盖 AI、机器人、太空、医疗、金融科技等领域，Peak XV 在本批次投入超 5000 万美元，这些公司累计融资逾 9000 万美元。18 家中仅 5 家专注印度市场，其余 13 家瞄准全球市场。
据知情人士透露，AI 推理基础设施提供商 Modal Labs 正接近完成由 Accel 领投的 7.5 亿美元融资，估值达 157.5 亿美元，较四个月前 4.65 亿美元的估值增长两倍多。
微软亚洲研究院新加坡（MSRA – Singapore）作为微软在东南亚的首个研究实验室，成立一年来围绕下一代 AI 模型与智能体系统、领域专用 AI、AI 原生研究实践、生态与人才培养四大方向推进工作。实验室与新加坡医疗生态伙伴合作探索多模态医疗 AI 与自演化诊断智能体，并联合 EDB 于 2026 年 2 月举办物流与运输 AI 高管圆桌会。
Mistral 在慕尼黑开设德国中心，组建专注 Physics AI 与工业 AI 的研究团队，并计划到 2030 年建成 1 吉瓦欧洲算力。该中心将与 BMW 合作碰撞仿真、与 Siemens Energy 合作工业 AI 应用，同时与慕尼黑工业大学（TUM）合作利用风洞设施开发汽车空气动力学数字孪生。
AWS 发布方案，用 CloudFormation 和 Terraform 模板自动化 Amazon Textract 适配器跨账户生命周期管理，将适配器 ID 外置到 Systems Manager Parameter Store 后，生产环境更新无需重新部署应用，原本需数小时至数天的协调工作缩短到数秒。方案包含预分类路由、生产安全配置，并支持将训练好的适配器从训练环境推广到生产环境。
AWS 结合 Amazon EKS、EFA 与 DeepEP 优化 MoE 模型的强化学习后训练，实现吞吐量提升 40%。该架构针对 rollout 生成与策略训练并行的异步 RL 负载，缓解 Expert Parallelism 带来的跨节点 all-to-all 通信瓶颈，适用于 RLHF、GRPO 等大规模 RL 训练流程。
在 Amazon SageMaker HyperPod 上使用开源 RL 框架 SkyRL，通过 GRPO 对 Qwen3-VL-8B 视觉语言模型进行多模态强化学习后训练，在固定 64 个迷宫评测集上把解迷宫成功率从 43.75% 提升到 95% 以上。
Endura Therapeutics 的 Adrian Sanborn 提出，AI 对科学的影响分为两类：Foundries 用新一代测序、多重检测和物理自动化把实验数据生成速度提升一个数量级，但真正差异化资产是实验数据本身；Navigators 则把 AI 嵌入公司日常流程，用更快的代码和决策加速实验迭代。导航式改造无需专有模型或海量数据集，早期初创公司因没有遗留系统而推进最快。
NVIDIA 加入由 Google DeepMind、EMBL-EBI 等组成的全球研究联盟，通过 AlphaFold Database 开放 2800 多种病毒的蛋白复合物预测 3D 结构，供任何科学家免费使用。
推荐理由：NVIDIA 联合 Google DeepMind 等机构开放 2800 多种病毒的蛋白复合物结构预测，读者可了解开放科学在疫情准备上的具体做法。
NVIDIA 验证工程师 Sakeena Fiza 在数据中心系统工程实验室负责产品量产前的硬件验证，她回忆 NVIDIA Rubin GPU 首次在系统级成功枚举时全场欢呼。她将验证工作比作破案，目标是在客户之前发现问题，单块板卡可能含数万个组件，一个机架接近 50 万个。
英国 AI Security Institute（AISI）正采用 EvalEval 的 Every Eval Ever schema 与 Evaluation Cards 平台公开分享评测结果，以提升评测科学的可复现性。
NVIDIA 推出 DSX Ready 认证计划，用于审核合作伙伴产品是否符合 NVIDIA DSX AI 工厂参考设计要求，首批覆盖电池储能系统（BESS）和冷却分配单元（CDU）两类。
NVIDIA 在埃及大埃及博物馆举办 AI 生态活动，其埃及深度学习学院学员规模一年增长超十倍，非洲已培训超 8.5 万名开发者，尼日利亚成为该学院全球第二大市场。非洲已有四座 AI 工厂宣布或上线，另有 656 兆瓦新增算力在建，Cassava Technologies 计划在埃及、肯尼亚、尼日利亚和摩洛哥部署，投资或达 7.2 亿美元。
微软研究院在 Nature 发表逆合成模型 RetroChimera，并开源其实现与权重。该模型融合 Transformer 模型 R-SMILES 2 与 GNN 模型 NeuralLoc，通过学习式集成对两者预测重排序，在盲测中化学家更偏好其单步反应预测。
MIT Technology Review 与 Times of San Diego 用 15 个月完成首份美墨边境监控塔附近死亡的综合地图与分析，数据追溯至 2015 年。
Hugging Face 发布 tokenizers v1 候选版本，在 Apple M4 Max 单线程下编码速度比 v0.23 快 3 至 30 倍，八线程扩展效率为线性的 76%，且输出 token ID 与 v0.23 完全一致。
推荐理由：原文给出 v1 与 v0.23 的逐项基准对比和实现改动，可据此判断分词器在训练与推理管线中的实际提速空间。
Google Research 发布 MilleMiglia，一个用 C++ 编写的实例生成器，用于为中程物流配送问题生成真实且保护隐私的基准数据，源码与文档已在 GitHub 公开。
Google Research 提出 Retrieve-for-Train 框架，通过离线强化学习发现奖励对齐的 fan-out 查询并编译为监督信号，再蒸馏进一个 53.9M 参数的扩散检索器，实现推理时单次非自回归生成完整结果集，无需 CoT 推理 token。
Google Research 在 ACL 2026 提出 ToolGrad，用“先答案后问题”范式生成工具调用数据：先构造真实 API 工作流，再反向标注用户查询，替代 ToolBench、ToolACE 的 DFS 试错搜索。
Google DeepMind 发布 AlphaGenome Atlas，一个包含人类基因组全部 90 亿个单核苷酸变异效应预测的平台，规模达 1PB，是 AlphaFold 数据库的 30 多倍。
推荐理由：读者可了解 9 亿单核苷酸变异预测数据集如何把基因组变异解读从单点分析扩展到全基因组视图。
Google 与 HHMI Janelia、剑桥大学等合作在 Cell 发表论文，发布完整雄性果蝇大脑与中枢神经系统连接组图谱，包含超过 166,000 个神经元和 1.25 亿个突触连接，是迄今按神经元数量计算最大的脑图谱。
推荐理由：Google 与 HHMI Janelia 等合作发布迄今神经元数量最多的脑图谱，读者可了解 AI 在连接组学中的具体作用。
Google DeepMind 与 Google Research 发布 WeatherNext 3，称其为迄今最先进、最准确的全球天气模型，直接学习实时卫星观测数据，每小时生成一次预报。
推荐理由：原文给出分辨率、更新频率与降水精度提升的具体数字，可据此判断 AI 天气预报在本地化场景的进展。
Google Research 提出 MAPL-EMIT 深度学习框架，基于 NASA EMIT 高光谱数据自动检测、预测增强并定位全球甲烷羽流，在专家标注羽流上召回率达 84%。
微软研究院推出 GigaPath-Flash 和 GigaTIME-Flash，以蒸馏自十亿参数 GigaPath 编码器的 22M 参数 ViT-S 骨干替代原模型，在 PANDA 前列腺分级和 EBRAINS 脑肿瘤分型基准上以约 50 倍更少算力达到原 GigaPath 3% 以内的性能。
Import AI 470 关注三项研究：METR 分析显示 AI 对网络安全漏洞发现加速最明显，对数学研究贡献较小，对 AI 研究本身尚无显著加速。SPADE 通过自博弈让 LLM 交替生成可执行训练环境并求解，在 Qwen3-30B-A3B 上游戏环境套件均分达 58.3，较基线提升 8.1。Hawkeye 则用于构建更好的 GPU kernel。
微软研究院发布深度学习交换关联泛函 Skala 1.1，训练数据量为此前公开版本的 2.5 倍，在 GMTKN55 基准 55 个类别中 32 项排名第一，加权平均误差 2.8 kcal/mol。Skala 现已在 CP2K 中可用，并正集成进 Psi4、FHI-aims、ORCA 和 VASP，同时推出持续追踪各版本计算性能的 living benchmark。
微软研究院发布研究模型 CARE-X，一个统一胸部 X 光视觉语言模型，同时支持报告生成与结构化预测，并用强化学习（DAPO）在多任务设置下奖励临床正确性。该模型在印度 Narayana Health 的真实临床数据上验证，覆盖罕见 ICU 病理与 CT 确认的增大类病变。
Import AI 第 468 期收录了智库 IFP 提出的 23 条“低后悔”政策建议，分属 7 个类别，用于帮助政策制定者应对 AI 研发自动化风险。MIT 与 Columbia 的论文 Racing to Ruin 用博弈模型分析企业竞速，认为透明度和对对手可信度的判断是能否实现协调减速的关键变量。本期还介绍了 PostTrainBench+ 及一篇关于智能机器与机器人身体的虚构短篇。
多伦多大学、Vector Institute、剑桥大学和 ServiceNow 的研究者构建了一个原型计算机蠕虫，用开源权重 LLM 配合定制 harness 入侵主机，并寄生被攻陷机器的 GPU 运行推理以维持自身推理和扩散。
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的摘要以自然语言"信念状态"形式隔离并监督其信息内容，通过受自编码器启发的信念评分（belief grading）奖励能重建最新观测的信念。在协作编程基准 CollabBench 上，ABBEL-rec-BG 将全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值 token 数也低于全上下文设置。
伯克利 EPIC Data Lab 提出近零推理成本时代数据系统面临三大挑战：为智能体设计的数据系统、运行智能体集群的数据系统、由智能体合成数据系统。GPT-4 级能力从 2023 年初约 $30/百万 token 降至如今不到 $1，部分厂商已低于 $0.10，推理价格年降幅在 9x 到 900x 之间，中位数约 50x。
伯克利 AI 研究团队提出梯度规划器 GRASP，通过将轨迹提升到虚拟状态实现跨时间并行优化、向状态迭代直接注入随机性以探索、并重塑梯度让动作获得清晰信号，从而让基于学习动力学（世界模型）的长时程规划变得实用。该方法针对长时程 rollout 中梯度爆炸/消失、非贪心结构导致的局部极小值以及高维视觉模型梯度脆弱等问题。
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，可在特征、数据与模型组件归因中大规模识别驱动 LLM 输出的关键交互。SPEX 利用稀疏性与低阶性把交互搜索转化为稀疏恢复问题，ProxySPEX 进一步借助层级结构，以约 10 倍更少的消融达到 SPEX 的性能。
伯克利 AI 研究团队提出一套基于互信息的成像系统评估与优化框架，可直接从含噪测量中估计信息量，并在彩色摄影、射电天文、无透镜成像和显微成像四个领域验证其能预测解码器性能。该方法优化出的设计达到端到端 SOTA 方法水平，同时占用更少内存和算力，且无需任务专用解码器设计。